CN101861594B - 用于占用估计的系统和方法 - Google Patents

用于占用估计的系统和方法 Download PDF

Info

Publication number
CN101861594B
CN101861594B CN200780101602.4A CN200780101602A CN101861594B CN 101861594 B CN101861594 B CN 101861594B CN 200780101602 A CN200780101602 A CN 200780101602A CN 101861594 B CN101861594 B CN 101861594B
Authority
CN
China
Prior art keywords
estimation
takies
take
occupant
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200780101602.4A
Other languages
English (en)
Other versions
CN101861594A (zh
Inventor
R·N·托马斯蒂克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Raytheon Technologies Corp
Original Assignee
United Technologies Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by United Technologies Corp filed Critical United Technologies Corp
Publication of CN101861594A publication Critical patent/CN101861594A/zh
Application granted granted Critical
Publication of CN101861594B publication Critical patent/CN101861594B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

占用估计器基于由一个或多个传感器装置提供的传感器数据(z)和由占用者通行模型(f)生成的基于模型的占用估计来计算区域的占用估计(x)。占用者通行模型(f)是基于在整个区域内占用者的预测移动。占用估计系统包括占用估计器算法(20)，该占用估计器算法组合传感器数据(z)和由占用者通行模型(f)生成的基于模型的占用估计来生成该区域的占用估计(x)。

Description

用于占用估计的系统和方法
技术领域
本发明涉及估计区域的占用(occupancy)，并且更具体地涉及基于传感器数据和占用者通行(traffic)模型的组合来估计该区域内人们的占用。
背景技术
关于特定区域的占用的知识可以用于各种应用中。例如，建筑物内的占用的知识可以用来改善建筑物的效率、舒适性和便利性并且在紧急情形下通过提供关于占用者位置的信息而用来改善第一响应者的搜寻和营救努力。典型地，仅基于传感器提供的数据来确定建筑物占用。这些占用估计可能由于传感器数据的缺乏或者随时间累积传感器数据中的误差而导致生成误差。
发明内容
本文描述了一种用于估计区域中的占用的系统。该系统包括输入和占用估计器，该输入在工作中被连接以从一个或多个传感器装置接收传感器数据。占用估计器在工作中被连接到该输入以接收传感器数据。该占用估计器执行算法，该算法基于所接收的传感器数据和生成基于模型的占用估计的占用者通行模型来生成占用估计。输出在工作中被连接到该占用估计器以传送该占用估计。
在另一个方面，本文描述了一种用于估计区域中的占用的方法。该方法包括：从一个或多个传感器装置获取传感器数据；基于预测区域内的占用者通行模式的占用者通行模型来计算基于模型的占用估计；以及基于所获取的传感器数据和所述基于模型的占用估计的组合来生成占用估计。
在另一个方面，本文描述了一种用于估计区域中的占用的系统。该系统包括用于获取与占用有关的传感器数据的至少一个传感器装置。所述系统还包括：用于基于预测区域内的占用者的移动的占用者通行模型来计算基于模型的占用估计的装置；以及用于基于所获取的传感器数据和所述基于模型的占用估计的组合来生成占用估计的装置。
在另一个方面，本文描述了一种估计区域内的占用的分布式系统。该分布式系统包括第一占用估计器，该第一占用估计器在工作中被连接以接收与第一区域相关联的传感器数据并且用于执行算法以基于与第一区域相关联所接收的传感器数据和生成对第一区域的基于模型的占用估计的第一占用者通行模型来生成对该第一区域的第一占用估计。该分布式系统还包括第二占用估计器，该第二占用估计器能够连接以接收与第二区域相关联的传感器数据并且用于执行算法以基于与第二区域相关联所接收的传感器数据和生成对第二区域的基于模型的占用估计的第二占用者通行模型来生成对该第二区域的第二占用估计。
在另一个方面，本文描述了一种用机器可读计算机程序代码编码的计算机可读存储媒介，所述机器可读计算机程序代码用于生成对区域的占用估计，该计算机可读存储媒介包括用于使控制器实施方法的指令。该计算机程序包括用于从一个或多个传感器装置获取输入的指令。该计算机程序还包括用于基于预测区域内的占用者的移动的占用者通行模型来计算基于模型的占用估计的指令。该计算机程序进一步包括用于基于所获取的传感器输入和所述基于模型的占用估计的组合来生成对该区域的占用估计的指令。
附图说明
图1A是被划分成许多区的建筑物的楼层的示意图。
图1B是对建筑物楼层的各区之间的连接进行建模的图示。
图2是图解基于传感器数据、传感器模型和占用者通行模型计算占用估计的流程图。
图3是图解为计算占用估计而采用的扩展卡尔曼(Kalman)滤波器算法的流程图。
图4是集中占用检测系统的框图。
图5A-5C是图解多个分布式占用估计系统的框图。
具体实施方式
本文公开了一种用于基于传感器装置提供的数据和占用者通行模型来估计占用的系统和方法。传感器数据可以由各种不同类型的传感器装置提供，每个传感装置提供不同类型的传感器输出，所述传感器输出被分析以检测在整个区或区域中的占用者移动或位置。占用者通行模型是基于在整个区或区域中占用者的历史或预期通行模式并且可以考虑诸如区域或建筑物的布局之类的因素。例如，建筑物布局可以包括描述出口、过道、办公室的位置以及相关过道和办公室的占用限制的信息。另外，占用者通行模型可以是描述区域内占用者的预测移动或通行模式的数学模型、统计模型或者计算机模拟。占用估计器把传感器数据和占用者通行模型当作输入，并且执行算法以基于所提供的输入来生成对该区或区域的占用估计。基于传感器数据和占用者通行模型的占用估计提供比仅基于传感器数据或仅基于模型的估计结果更加准确的占用估计。除了提供对占用以及其移动与变化的更加准确的估计的好处以外，传感器数据与占用者通行模型的组合允许连续估计建筑物占用，尽管缺乏来自一个或多个传感器的数据或者暂停传输传感器数据也是如此。在其中传感器可能被禁用或毁坏的紧急情形下这可能尤其有益。
图1A和1B图解了将在整个本描述中用来辅助描述占用估计算法的示例，其中占用估计是对建筑物的特定楼层做出的。关于本实施例所描述的概念可以应用于各种场景或位置(例如，户外、火车站、飞机场等等)。图1A图解了办公楼中的单个楼层的布局。在这个实施例中，楼层平面已被划分成五个单独区(标为区1、2、3、4和5)。在其它实施例中，楼层平面可以基于个别办公室和房间的位置进行进一步的细分(即，基于地点的细分)。在这个特定实施例中，每个相邻区1-5之间以及在每个出口处的边界包括用于检测占用者从一个区到另一个区的移动的传感器(未示出)。在其它实施例中，为改善占用估计的分辨率、可靠性和/或准确性，或者如果在边界处的传感器不存在或不在运行，可以在每个区中放置附加传感器。
图1B是图解图1A中定义的五个区的图示。标为1、2、3、4和5的大圆表示五个区，而标为6、7、8、9和10的较小圆表示建筑物中的出口。连接这些区的线指示存在连接相邻区的通道或过道。
术语‘区域’在整个描述中用来指代区域以及该区域的各个分部。例如，在图1A和1B所示的示例性实施例中，术语‘区域’指代大体上的楼层平面以及指代个别子区域或区1-5。因此，生成对该区域的占用估计将包括生成对每个个别区的占用估计。
另外，术语‘占用估计’被用于整个描述中并且通常指代与占用有关的输出。因此，对区域的占用估计可以包括诸如区域内占用者的数量的平均估计的数据、与和占用的区域变化相关联的所有可能占用水平相关联的概率、指示与对占用的估计相关联的置信可靠性的数据、以及其它与占用有关的类似有用数据。因此，在图1A和1B所示的示例中，为区域生成的占用估计将包括为每个区1-5生成的任一上面列出的数据。
图2是图解被提供到占用估计算法20的输入的示例性实施例的高级框图。被提供到占用估计算法20的输入包括传感器数据z(由一个或多个传感器装置提供)、传感器模型h、以及占用者通行模型f。占用估计算法20基于传感器数据z、传感器模型h、以及占用者通行模型f导出占用估计
Figure GPA00001138964300041
例如，在图1A和1B所示的示例性实施例中，占用估计算法20为五个区中的每个生成占用估计
Figure GPA00001138964300042
在示例性实施例中，传感器数据z和占用估计
Figure GPA00001138964300043
被表示为向量，尽管在其它示例性实施例中可以以其它合适格式提供传感器数据。占用者通行模型f是用于预测在整个区域中占用者的预期通行模式的数学、计算机模拟或统计模型，其中这样的模型可以使用区域中对占用的先前估计。例如，占用者通行模型f可以应用于对建筑物的每个区中的占用的先前估计以生成对建筑物的每个区中的占用的预测估计或基于模型的估计。
然后占用估计算法20将通过应用占用者通行模型f而生成的基于模型的占用估计与传感器数据z(如果可用的话)进行组合。通过基于每个的预测可靠性给相应输入分配权重，占用估计算法20将由占用者通行模型f提供的基于模型的对占用的估计与传感器数据z进行组合。例如，如果传感器数据z被确定为是高度可靠的，则占用估计算法20给传感器数据z分配较高权重并且对应的占用估计
Figure GPA00001138964300044
在很大程度上基于所提供的传感器数据z。反之，如果传感器数据z被确定为是高度不可靠的，则更多权重被给予由占用者通行模型f提供的基于模型的占用估计。
根据基于模型的占用估计、传感器数据z以及与这两者输入相关联的加权，占用估计算法20生成对区域的占用估计例如，关于图1A和1B所示的楼层平面，生成对区域的占用估计
Figure GPA00001138964300046
可以包括生成对五个区1-5的每个的占用估计。另外，占用估计可以包括如下数据，诸如与五个区的每个区相关联的平均占用估计、与五个区的每个区的每个可能占用水平相关联的概率、与五个区的每个区内或之间的占用者移动有关的数据、以及与对五个区的每个区的上述估计相关联的可靠性(例如协方差值)。
另外，作为占用估计
Figure GPA00001138964300051
的部分而生成的数据可以彼此相互关联。例如，区域中的占用概率可以在图形上被描述为曲线(例如，钟形曲线)，该曲线描述与每个可能占用水平相关联的可能性。曲线的峰值将表示与该区相关联的最可能占用估计，但另外，曲线的形状(例如，与曲线相关联的标准偏差)将提供与占用估计相关联的置信或可靠性的指示。在其它实施例中，占用估计
Figure GPA00001138964300052
可以包括与估计相关联的置信区间、与占用估计相关联的协方差、或者其它指示与占用估计相关联的置信或可靠性的可靠性计算。
另外，在示例性实施例中，由占用估计算法20生成的占用估计是实时生成的，以允许占用估计用于实时应用(例如，作为第一响应者的输入)。在示例性实施例中，占用估计
Figure GPA00001138964300055
可以用于法庭辩论(forensic)或者在对建筑物内的占用的事实估计后使用。在又一个示例性实施例中，占用估计
Figure GPA00001138964300056
可以用来预测不久的将来的占用估计。不久的将来的占用估计可能在控制应用(诸如基于建筑物内占用者的预期的不久的将来的移动的电梯呼叫)中有用。不久的将来的占用估计也可能对第一响应者有用以提供不仅关于占用者的当前位置而且关于建筑物占用者的可能将来位置的数据。
在示例性实施例中，占用估计算法20是扩展卡尔曼滤波器(EKF)，EKF是用于基于观测和模型生成系统的状态估计的熟知算法。EKF的好处是基于所接收的传感器数据z和占用者通行模型f实时提供计算的能力。在示例性实施例中，EKF采用占用者通行模型f以基于当前或目前占用估计来生成预测的或基于模型的占用估计。在示例性实施例中，基于模型的占用估计由以下方程定义：
x(t+1)＝f(t，x(t))+v(t)        方程1
其中x(t)表示在时间t时在区域中(例如图1A和1B所示的示例中的每个区中)的占用，f(例如，占用者通行模型)是时间t和状态x(t)的某个非线性函数，并且v(t)是过程噪声，表示占用者在区域中如何移动的不确定性。非线性函数f的结构与区域相关。因而，在与建筑物中的占用估计有关的示例中，函数f的精确形式将根据建筑物的布局(以及别的因素)而改变。另外，因为f的结构描述区域内占用者的预期通行模式，所以函数f的形式也可能基于区域的‘模式’而改变。模式定义区域的操作状态。例如，在火灾或类似的紧急情况期间，建筑物将处于流出模式(即疏散模式)，其中所有占用者被建模成向可用的出口移动。其它模式可以由时刻(例如，上午活动的建筑物模式相对下午活动的建筑物模式)或其它因素规定。
为了简单起见，以下示例假设流出模式，这是通过基于图1A和1B所图解的楼层平面的示例进行描述的。因此，以下方程描述区域(例如，图1A和1B所示的楼层平面的区)的占用者通行模型f：
x1(t+1)＝x1(t)+y21(t)+y31(t)-y16(t)        方程2
其中x1(t+1)表示在时间t+1时在区1中的状态(例如，占用者的数量)，x1(t)表示在时间t时在区1中的占用者的先前状态，y21(t)表示在时间t时从区2移动到区1的占用者的数量，y31(t)表示在时间t时从区3移动到区1的占用者的数量，并且y61(t)表示在时间t时经由出口6从区1移动(离开)的占用者的数量。该模型对于其中未命令占用者向出口移动的非流出模式而言将有所不同。例如，占用者的移动将不受限于从区2移动到区1，而是还将包括从区1移动到区2。占用者通行模型f的结构因此与建筑物的布局部分相关并且可以在区域之间有所不同。在基于上面示例的示例性实施例中，有关占用者从区1到出口6的流动的函数被建模为：
y16(t)＝min[x1(t)，α*C16]方程3
其中C16表示从区1到出口6的链路的流量并且基于从区1到出口6的通道的物理特性进行选择，并且参数α是对特定设计所特有的调整参数。
在基于这个示例的实施例中，有关占用者从区2到区1的流动的函数被建模为：
y21(t)＝min[a21x2(t)*β/C2*(C1-x1(t))/C1，C21]        方程4
其中a21是区2中的把区1中的出口作为最近出口的占用者的百分比，项β/C2表示占用者移动穿过区2的延迟，C2是区2的最大占用(即，C2与对应于区2的面积成比例)，项(C1-x1(t))/C1表示减缓占用者移动到该区内的区1中的拥塞，C21是是从区2到1的链路容量，并且最后β是调整参数。区3和区1之间的流动将以用于建模区2和区1之间的流动的相同方式进行建模。以此方式，占用者通行模型f基于关于每个区中的占用的当前信息来做出关于特定区中的占用的预测。在其它实施例中，可以采用附加建模参数来建模通过区域的移动的附加方面。
用来计算基于模型的占用估计的方程(即方程1)的第二分量是由项v(t)表示的过程噪声。过程噪声项v(t)计及占用者如何在各区之间移动的不确定性。用于建模过程噪声v(t)的直接简单办法是假设方程1中的过程噪声v(t)是零均值并且是具有与状态x(t)成比例且在各区之间无关的方差的高斯曲线(Gaussian)。在采用扩展卡尔曼滤波器的实施例中，过程噪声的协方差矩阵被设定为等于具有与当前估计的状态方差对应的元素的对角矩阵。
在示例性实施例中，占用估计算法(例如，扩展卡尔曼滤波器)还利用由以下方程描述的传感器模型h：
z(t)＝h(t，x(t))+w(t)        方程5
其中输出向量z(t)表示在时间t时五个区的每个区中的占用测量，函数h是传感器模型并且是时间t和占用者估计x(t)的函数，并且w(t)是传感器噪声。例如，在图1A和1B所示的实施例中，传感器装置被定位在相邻区之间的每个边界上以及在每个出口处。在示例性实施例中，针对图1A和1B所示的示例所得到的传感器模型(与区1有关)被表达为：
z1(t)＝z1(t-1)+φ21(t)+φ31(t)-φ16(t)        方程6
其中z1(t-1)表示区1中的占用者的(基于传感器输入的)先前测量，
Figure GPA00001138964300071
表示指示从区2到区1的占用者移动的传感器输出，
Figure GPA00001138964300072
表示指示从区3到区1的占用者移动的传感器输出，并且
Figure GPA00001138964300073
表示指示从区1到出口6的占用者移动的传感器输出。由个别传感器装置提供的传感器读数可能是错误的，并且方程6中定义的z1(t)因此可能基于个别传感器读数中的误差而随时间累积误差。然而，在其中采用扩展卡尔曼滤波器的实施例中，传感器噪声w(t)被建模为零均值并且是白噪声的，其中方差等于仅传感器估计器(即，如果占用者估计是仅基于传感器输入而没有基于占用者通行模型)的估计方差。在示例性实施例中，通过对由个别传感器装置提供的输出(例如，
Figure GPA00001138964300074
)应用传感器模型h来分析传感器数据z(t)。在另一个示例性实施例中，对传感器数据z(t)执行预处理以使得被提供到占用估计算法20的传感器数据反映基于所接收的传感器数据的区占用估计(如关于图3更详细描述的)。
图3是图解如用扩展卡尔曼滤波器实施的占用估计算法20的示例性实施例的流程图，该扩展卡尔曼滤波器组合传感器数据z(t)、传感器模型h和占用者通行模型f(t)来生成占用估计
Figure GPA00001138964300081
图3的左侧图解了为更新占用的状态估计而采用的算法步骤，而图3的右侧图解了为生成协方差估计而采用的算法。协方差估计P(t|t)是与占用估计相关联的不确定性的度量。在图3所示的示例性实施例中，传感器数据z(t)与占用估计
Figure GPA00001138964300083
都没有被表示为向量，尽管在示例性实施例中一者或两者可以是向量。
在这个实施例中，计算或更新占用估计
Figure GPA00001138964300084
始于(由扩展卡尔曼滤波器算法或由某种初始化程序在先前迭代中生成的)当前占用估计如在步骤30所示。占用估计
Figure GPA00001138964300086
的符号表示这是基于来自时间t的观测(即，模型输出和传感器更新两者的组合)的、对于时间t的占用估计。在步骤32，占用者通行模型f(t)被应用于当前占用估计
Figure GPA00001138964300087
以生成占用预测或基于模型的占用估计
Figure GPA00001138964300088
也就是说，基于当前状态估计和占用者通行模型f(t)来预测下一状态的占用。符号表示这是基于在时间t做出的观测的、对于时间t+1的状态预测(即，该更新不是基于最近观测的事件)。在步骤34，传感器模型h被应用于基于模型的占用估计
Figure GPA000011389643000810
以生成测量预测
Figure GPA000011389643000811
测量预测
Figure GPA000011389643000812
表示以基于模型的占用预测
Figure GPA000011389643000813
为基础的预期传感器测量。例如，如果基于模型的占用预测
Figure GPA000011389643000814
预测一个占用者从区2进入区1，则测量预测z21(t+1|t)将指示一个占用者被检测到从区2进入区1的预测传感器测量或观测。
在步骤36，测量预测
Figure GPA000011389643000815
与实际传感器数据z(t+1)进行比较以生成由修正(innovation)变量u(t+1)表示的差信号。在这个实施例中，传感器数据z(t+1)已被预处理以提供表示在各区之间移动的所检测占用者的值。在其它实施例中，传感器模型h或某个其它函数将需要被应用于输入的传感器数据以便解释该数据以使得z(t+1)表示各区之间所检测的占用者移动。基于传感器数据z(t+1)和测量预测
Figure GPA000011389643000816
之间的比较，确定修正u(t+1)。在示例性实施例中，修正u(t+1)指示(在步骤34计算的)预期传感器输出和实际观测的传感器输出之间的差。例如，使用上面描述的示例，基于模型的占用估计x1(t+1|t)预测一个占用者从区2进入区1，导致z21(t+1|t)的对应测量预测等于一。如果传感器数据z21(t+1)相反等于零，则修正u21(t+1)将指示预测值和实际传感器值之间的差或误差(在这种情况下误差为一)。
在步骤38，基于占用预测
Figure GPA00001138964300091
修正u(t+1)以及关于协方差计算更详细讨论的加权系数W(t+1)，更新占用估计
Figure GPA00001138964300092
如由这个方程所指示的，所更新的占用估计
Figure GPA00001138964300093
是以基于模型的占用估计和观测的传感器数据z(t+1)为基础的，所述占用估计
Figure GPA00001138964300095
是基于占用者通行模型f(t)生成的。更新的状态估计
Figure GPA00001138964300096
变成下一迭代中的当前状态估计
Figure GPA00001138964300097
作为占用者通行模型f(t)和传感器数据z(t+1)两者的结果生成状态估计的好处是尽管缺乏传感器数据但还能生成指示占用的状态估计的能力。在这种情况下，预测测量
Figure GPA00001138964300098
和传感器数据z(t+1)之间的误差将增大，但是仍可以基于部分传感器数据z(t+1)和占用者通行模型f(t)或者如果没有传感器数据可用的话全部基于占用者通行模型f(t)，来生成占用估计
Figure GPA00001138964300099
在图3所示的实施例中，协方差估计P(t|t)连同状态估计
Figure GPA000011389643000910
一起被生成为输出。状态估计
Figure GPA000011389643000911
指示占用的最佳猜测或估计，而协方差指示与占用估计相关联的置信水平。如上面所讨论的，术语占用估计广义上不仅指代关于区域中的实际占用者数量的估计而且指代诸如与占用者估计(例如，
Figure GPA000011389643000912
)的实际数量结合计算的协方差估计P(t|t)的数据。计算或更新协方差估计P(t+1|t+1)始于当前协方差估计P(t|t)，如在步骤40所示。在步骤42，基于先前的占用估计来评价占用者通行模型f(t)以生成表示为F(t)的雅可比矩阵。在步骤44，雅可比矩阵F(t)、初始协方差估计P(t|t)和与占用者通行模型相关联的不确定性值Q(t)用来生成预测协方差P(t+1|t)。在步骤45，基于先前估计来评价传感器模型h(t)以生成表示为H(t)的雅可比矩阵。在步骤46，雅可比评价(evaluation)H(t)和与传感器模型相关联的不确定性R(t)被应用于预测协方差P(t+1|t)以生成修正协方差S(t+1)。在步骤48，修正协方差的逆S(t+1)-1用来生成加权参数W(t+1)，该加权参数W(t+1)表示在步骤38被应用于传感器数据的加权。
如通过协方差计算所示的加权参数W(t+1)，基于传感器模型和占用者通行模型对被应用于传感器数据的置信水平进行加权，以使得更新的状态估计
Figure GPA000011389643000913
反映哪个输入是最可靠的确定。也就是说，如果与传感器数据z(t)相关联的置信水平高(或者基于模型的占用估计中的置信低)，则如在步骤38应用于修正u(t+1)的滤波器增益值W(t+1)导致占用估计对传感器数据z(t)比对由占用者通行模型f(t)生成的占用预测
Figure GPA00001138964300101
的结果提供更大权重。同样，如果滤波器增益值W(t+1)指示与传感器数据z(t+1)相关联的低置信(或者基于模型的占用估计中的置信高)，则所更新的状态估计将更多地受基于模型的占用估计的结果影响而更少地受相关传感器数据z(t)影响。例如，在其中传感器被烟尘或火灾损坏的情形下，则降低其输出的相关置信以使得占用估计更多地受对状态估计
Figure GPA00001138964300103
应用占用者通行模型f(t)的结果影响。
传感器数据z(t)的加权还可以计及与用于提供传感器数据z(t)的传感器装置类型相关联的可靠性。一些传感器比其他传感器固有地更加可靠，而其他传感器可能在一些情况下是可靠的而在其他情况下是不可靠的。类似于占用者通行模型f计及建筑物的布局所用的方式，传感器模型h可以用来计及传感器装置类型的变化。例如，运动检测传感器装置可以用来检测房间是否被占用，但是不提供关于房间中的占用者数量的信息(即，二进制输出)。在这种情形下，来自运动检测传感器的指示房间未被占用的数据(即，特定房间的传感器数据z房间(t+1)＝0)可以被认为是高度可靠的。然而，来自运动检测传感器的指示房间被占用的数据(即，特定房间的传感器数据z房间(t+1)＝1)可以被认为是不大可靠的，因为该数据没有计及附加占用者可能存在于该房间中的可能性。在一个实施例中，传感器模型h计及传感器类型，并且基于房间的大小(或者某个其他变量)分配位于房间中的预期占用者数量。另外，与特定传感器装置提供的数据相关联的可靠性可以基于传感器装置的类型以及从传感器装置接收的输入进行选择性的修改。
在步骤50，基于滤波器增益值W(t+1)、修正协方差S(t+1)和预测协方差P(t+1|t)来更新状态协方差P(t|t)以生成更新的协方差值P(t+1|t+1)。这个值反映了占用估计值中的置信水平。
在图3所示的实施例中，占用估计算法20组合传感器数据z(t)和基于模型的占用估计所述基于模型的占用估计
Figure GPA00001138964300106
是基于先前占用估计和占用者通行模型f(t)生成的。具体而言，这种方法对传感器数据z(t)和占用者通行模型f(t)两者应用扩展卡尔曼滤波器技术以生成把这些输入的可靠性考虑在内的占用估计
Figure GPA00001138964300107
该结果是高度可靠的占用估计
Figure GPA00001138964300108
以及提供对所提供占用估计的相关可靠性的指示的协方差估计P(t+1|t+1)。
图4图解用于提供对区域(如图1A和1B所示的建筑物的每个区)的占用估计的集中系统52的示例性实施例。集中系统52包括计算机或控制器54、计算机可读媒介56、多个传感器装置58a、58b、...58N以及显示或控制器装置60。传感器装置58a-58N被遍及特定区域分布，并且可以包括各种不同类型的传感器，包括视频检测器、无源红外运动传感器、访问控制装置、电梯负荷测量、IT相关技术诸如计算机按键的检测、以及其他相关传感器装置。另外，许多占用者携带有源装置，诸如有源或无源射频识别(RFID)卡、蜂窝电话或者其他可以被检测以提供传感器数据的装置。
传感器数据被传送到计算机或控制器54。根据所采用的传感器的类型以及传感器是否包括任何处理所捕获数据的能力，计算机54可以提供对所提供的传感器数据的初始处理。例如，由视频照相机感测装置捕获的视频数据可能要求某种视频数据分析预处理以确定视频数据是否示出占用者从一个区横越到另一个区。另外，由处理器54执行的这种处理可以包括把指示所检测占用者在各区之间移动的传感器数据存储为数组或向量以使其能够被作为输入供应到占用估计算法(例如，扩展卡尔曼滤波器)。
在图4所示的实施例中，计算机54执行处理步骤以生成占用估计。例如，在示例性实施例中，这可以包括执行关于图4所描述的功能和操作。因而，所公开的发明可以以计算机或控制器实施的处理和用于实行那些处理的设备的形式来体现。本发明还可以以包含指令的计算机程序代码的形式来体现，所述指令被体现在计算机可读媒介56(诸如软盘、CD-ROM、硬盘驱动器或者任何其他计算机可读存储媒介)中，其中当计算机程序代码被加载到计算机54中并由计算机54执行时，计算机变成用于实行本发明的设备。本发明还可以以例如像数据信号的计算机程序代码的形式来体现，所述计算机程序代码存储在存储媒介56中、加载到计算机或控制器54和/或由计算机或控制器54执行，或通过某种传输媒介诸如通过电布线或电缆、通过光纤或者经由电磁辐射进行传输，其中当计算机程序代码被加载到计算机中并由计算机执行时，计算机变成用于实行本发明的设备。当被实施在通用微处理器上时，计算机程序代码段配置微处理器以创建特定逻辑电路。
例如，在图4所示的实施例中，计算机可读存储媒介56可以存储描述占用者通行模型f、传感器模型h和占用估计算法(例如，扩展卡尔曼滤波器)的程序代码或指令。计算机程序代码被传送到计算机或控制器54，该计算机或控制器54执行程序代码以实施关于本发明所描述的处理和功能(例如，执行关于图3所描述的那些功能)。
如图4所示，计算机或控制器54生成被提供到显示或控制器装置60的占用估计。该占用估计可以包括如下数据，包含位于区域中的占用者数量的平均估计、与每个可能占用水平相关联的概率、占用的变化、指示与占用的估计相关联的可靠性或置信的数据、以及其它与占用有关的有用数据。占用估计可以经由显示装置被简单地显示给一个或多个用户(例如，第一响应者)，或者可以被提供到基于所接收的占用估计而采取某种动作的控制器装置。例如，控制器装置可以是取暖、通风与空调(HVAC)系统、电梯控制系统、紧急出口控制器以及其它装置。可以经由任何数量的通信网络(包括电信网络、无线网络以及其它熟知的通信系统)来提供数据。
图5A-5C图解了用于估计占用的许多分布式系统62a、62b和62c。这与图4所示的集中系统52形成对比，在集中系统52中所有传感器数据被提供到单个计算机或控制器54，该单个计算机或控制器54然后生成对整个区域的占用估计。为了简单起见，图5A-5C所示的示例仅包括四个子区域(标为节点101、102、103和104)，尽管这些示例中所图解的概念可以被扩展到具有任何数量的子区域的区或建筑物。
在图5A所示的实施例中，分布式系统62a包括位于节点101和103的传感器装置，其中每个传感器装置(或相关硬件)包括处理由相关传感器装置提供的数据以及基于感测的数据和相关占用者通行模型及传感器模型应用占用估计器算法的能力。在示例性实施例中，占用估计算法用扩展卡尔曼滤波器进行实施，所述扩展卡尔曼滤波器基于这些输入生成占用估计和协方差(以及任何其它有用的统计输出)。为了本描述，分布式占用估计系统62a包括传感器装置和用于生成占用估计的部件两者，所述部件可以包括用于对传感器数据应用占用估计算法的硬件和软件的组合，所述分布式占用估计系统62a将通常被称为占用估计器(OE)。在图5A所示的实施例中，在节点101处观测的传感器数据被提供到占用估计器OE1，该OE1分别生成与节点101和102对应的占用估计
Figure GPA00001138964300121
和
Figure GPA00001138964300122
在节点103处观测的传感器数据被提供到占用估计器OE2，该OE2分别生成与节点103和104对应的占用估计和
Figure GPA00001138964300131
在图5A所示的实施例中，占用估计器OE1和占用估计器OE2不共享关于相应节点的占用估计的信息。
在图5B所示的分布式系统62b中，传感器装置被再次定位在节点101和103处。然而在这个实施例中，由占用估计器OE3生成的占用估计被作为输入提供给占用估计器OE4。分布式系统60b的好处是占用估计器OE4使占用估计
Figure GPA00001138964300133
和
Figure GPA00001138964300134
部分地基于关于节点102占用的知识的能力。例如，如果占用估计指示位于节点102的一个或多个占用者，则占用估计器OE4可以预测在下一时间步长(time step)中位于节点102的占用者将从节点102移动到节点103(再次基于其中占用者向连接到节点104的出口移动的流出操作模式)，从而通过并入附加数据改善预测的占用估计。
在图5C所示的分布式系统62c中，传感器装置被再次定位在节点101和103处。然而在这个实施例中，由占用估计器OE5做出的占用估计
Figure GPA00001138964300136
被作为输入提供给占用估计器OE6，并且来自节点103的传感器数据和占用估计两者被作为输入提供给占用估计器OE5。这个实施例图解了其中占用估计和传感器数据两者被相关占用估计器共享的分布式应用。这种系统的好处是占用估计器OE5和OE6使占用估计基于可用的附加数据的能力，从而改善分布式系统60c的总体可靠性和性能。
占用估计器之间的占用估计的通信可以经由典型的通信网络(包括电信网络、局域网(LAN)连接)或者经由无线网络来提供。另外，在一些实施例中，通过仅共享相邻节点/区之间的占用估计以使得仅那些监视相邻区的占用估计器共享占用估计，来最小化通信成本。采用分布式系统来提供占用估计的好处是分布式系统尽管缺乏一个或多个分布式系统也可运行的能力。
尽管已参照优选实施例描述了本发明，但是本领域的技术人员会认识到可以在不偏离本发明的精神和范围的情况下进行形式和细节上的变化。例如，尽管包括处理器和存储器的计算机系统被描述用于实施占用估计算法，但是可以采用硬件和软件的任何数量的合适组合来执行由占用估计算法采用的数学函数。另外，计算机系统可以或可以不用来提供对所接收的传感器数据的数据处理。在一些实施例中，传感器数据可以在被作为输入提供到负责执行占用估计算法的计算机系统之前进行预处理。在其它实施例中，计算机系统可以包括合适的数据处理技术以内部地处理所提供的传感器数据。
而且，在整个说明书和权利要求书中，术语‘一’的使用不应当被解释为意指“仅一个”，而是应当被广义地解释为意指“一个或多个”。在整个公开中使用的顺序编号步骤的使用不意味着这些步骤必须被执行的次序。术语“或”的使用应当被解释为包括的，除非另外指出。

Claims (17)

1.一种用于估计区域中的占用的系统，该系统包括：
输入，在工作中被连接以从一个或多个传感器装置接收传感器数据；
占用估计器，在工作中被连接到该输入，其中该占用估计器：
基于在整个区域中占用者的历史或预期通行模式确定占用者通行模型；
基于占用者通行模型确定基于模型的占用估计；
为传感器数据和基于模型的占用估计分配预测可靠性权重；以及
基于该传感器数据、该基于模型的占用估计以及该预测可靠性权重生成对该区域的占用估计；以及
连接到该占用估计器的控制器装置，其中该控制器装置接收由该占用估计器生成的该占用估计，
其中如果传感器数据被确定为是高度可靠的，则给传感器数据分配较高权重并且由占用估计器生成的对应的占用估计在很大程度上基于所提供的传感器数据，反之，如果传感器数据被确定为是高度不可靠的，则更多权重被给予由占用者通行模型提供的基于模型的占用估计。
2.权利要求1的系统，其中该控制器装置包括以下的一个或多个：
电梯控制系统；
取暖、通风与空调(HVAC)系统；以及
紧急出口控制器。
3.权利要求1的系统，其中占用估计器实时地生成占用估计。
4.权利要求1的系统，其中占用估计是区域内的占用者的数量的平均估计、区域内的占用者移动的估计、与和区域相关联的所有可能占用水平相关联的概率、可靠性估计、关于将来时间点所生成的预测性占用估计或者其组合。
5.权利要求4的系统，其中可靠性估计包括关于区域所计算的协方差值或标准偏差值。
6.权利要求1的系统，其中占用者通行模型是数学模型、计算机模拟、统计模型或者其组合。
7.权利要求1的系统，其中生成占用估计进一步包括使用生成该占用估计的扩展卡尔曼滤波器，所述占用估计包括区域的占用的平均估计以及与占用的每个平均估计相关联的协方差。
8.权利要求1的系统，其中该系统是集中系统，其中占用估计器在工作中被连接以从遍及区域定位的多个传感器接收数据并且作为响应而生成占用估计。
9.权利要求1的系统，其中该系统是包括多个占用估计器的分布式系统，其中该多个占用估计器的每个接收与区域的近端位置相关联的传感器数据并且基于传感器数据和与近端位置相关联的占用者通行模型来生成对近端位置的占用估计。
10.权利要求9的系统，其中该多个占用估计器之一连接到相邻占用估计器以接收由相邻占用估计装置关于远端位置所生成的占用估计，其中占用估计器在生成对近端位置的占用估计中并入关于远端位置的占用估计。
11.权利要求9的系统，其中该多个占用估计器之一能够连接以从近端位置和远端位置接收传感器数据，其中占用估计器在生成对近端位置的占用估计中并入关于远端位置接收的传感器数据。
12.一种用于估计区域中的占用的方法，该方法包括：
从一个或多个传感器装置获取传感器数据；
基于在整个区域中占用者的历史或预期通行模式确定占用者通行模型；
基于占用者通行模型确定基于模型的占用估计；
基于占用者通行模型来计算基于模型的占用估计；
为传感器数据和基于模型的占用估计分配预测可靠性权重；以及
基于该传感器数据、该基于模型的占用估计以及该预测可靠性权重生成对该区域的占用估计；
将对该区域的占用估计传输到控制器装置，
其中如果传感器数据被确定为是高度可靠的，则给传感器数据分配较高权重并且对应的对该区域的占用估计在很大程度上基于所提供的传感器数据，反之，如果传感器数据被确定为是高度不可靠的，则更多权重被给予由占用者通行模型提供的基于模型的占用估计。
13.权利要求12的方法，其中该控制器装置包括以下的一个或多个：
电梯控制系统；
取暖、通风与空调(HVAC)系统；以及
紧急出口控制器。
14.权利要求12的方法，其中占用估计是区域内的占用者的数量的平均估计、区域内的占用者移动的估计、与和区域相关联的所有可能占用水平相关联的概率、可靠性估计、协方差值、标准偏差、关于将来时间点所生成的预测性占用估计或者其组合。
15.权利要求12的方法，其中占用者通行模型是数学函数、统计模型、计算机模拟或者其组合。
16.权利要求12的方法，其中生成占用估计包括：
根据基于模型的占用估计和传感器模型来计算测量预测；
基于该测量预测与传感器数据的比较，计算修正估计；以及
对修正估计应用加权参数并且与测量预测组合以生成占用估计。
17.一种用于估计区域中的占用的系统，该系统包括：
至少一个传感器装置，用于获取与占用有关的传感器数据；
用于基于预测区域内的占用者通行模式的占用者通行模型来计算基于模型的占用估计的装置，其中占用者通行模型基于在整个区域中占用者的历史或预期通行模式；
用于为传感器数据和基于模型的占用估计分配预测可靠性权重的装置；
用于基于该传感器数据、该基于模型的占用估计以及该预测可靠性权重来生成占用估计的装置；以及
连接到该占用估计器的控制器装置，其中该控制器装置接收由该占用估计器生成的该占用估计，
其中如果传感器数据被确定为是高度可靠的，则给传感器数据分配较高权重并且由占用估计器生成的对应的占用估计在很大程度上基于所提供的传感器数据，反之，如果传感器数据被确定为是高度不可靠的，则更多权重被给予由占用者通行模型提供的基于模型的占用估计。
CN200780101602.4A 2007-09-19 2007-09-19 用于占用估计的系统和方法 Expired - Fee Related CN101861594B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2007/020291 WO2009038558A1 (en) 2007-09-19 2007-09-19 System and method for occupancy estimation

Publications (2)

Publication Number Publication Date
CN101861594A CN101861594A (zh) 2010-10-13
CN101861594B true CN101861594B (zh) 2014-06-25

Family

ID=40468176

Family Applications (4)

Application Number Title Priority Date Filing Date
CN200780101602.4A Expired - Fee Related CN101861594B (zh) 2007-09-19 2007-09-19 用于占用估计的系统和方法
CN201410164316.4A Expired - Fee Related CN103942624B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116553.6A Expired - Fee Related CN101861606B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116675.5A Expired - Fee Related CN101861607B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法

Family Applications After (3)

Application Number Title Priority Date Filing Date
CN201410164316.4A Expired - Fee Related CN103942624B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116553.6A Expired - Fee Related CN101861606B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法
CN200880116675.5A Expired - Fee Related CN101861607B (zh) 2007-09-19 2008-02-26 用于占用估计的系统和方法

Country Status (4)

Country Link
US (1) US8775359B2 (zh)
CN (4) CN101861594B (zh)
CA (3) CA2700342A1 (zh)
WO (3) WO2009038558A1 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101868811B (zh) * 2007-09-19 2013-03-06 联合工艺公司 用于威胁传播估计的系统和方法
US20100299116A1 (en) * 2007-09-19 2010-11-25 United Technologies Corporation System and method for occupancy estimation
JP5162030B2 (ja) * 2009-09-03 2013-03-13 株式会社東芝 存在人数推定装置
US8981913B2 (en) * 2010-02-18 2015-03-17 Redwood Systems, Inc. Commissioning lighting systems
US9572228B2 (en) 2010-02-18 2017-02-14 Redwood Systems, Inc. Commissioning lighting systems
US8706271B2 (en) * 2010-02-18 2014-04-22 Redwood Systems, Inc. Integration of computing device and lighting system
EP2466526A1 (en) * 2010-12-16 2012-06-20 BAE Systems PLC Predicting population distributions using measured values
WO2012080037A1 (en) * 2010-12-16 2012-06-21 Bae Systems Plc Processing distributions of a population over a region of interest divided into a plurality of cells
US8756007B2 (en) 2011-01-28 2014-06-17 Honeywell International Inc. Providing a location of an individual
US9176485B2 (en) 2011-06-02 2015-11-03 Microsoft Technology Licensing, Llc Occupancy prediction using historical occupancy patterns
US8843345B2 (en) * 2011-06-20 2014-09-23 Invensense, Inc. Motion determination
WO2013013079A2 (en) * 2011-07-19 2013-01-24 Utah State University Research Foundation Systems, devices, and methods for monitoring and controlling a controlled space
US9171345B2 (en) * 2013-02-15 2015-10-27 Norfolk Southern Corporation System and method for terminal capacity management
US20150177716A1 (en) * 2013-12-20 2015-06-25 Enlighted, Inc. Occupancy detection
US9671121B2 (en) * 2014-02-19 2017-06-06 Enlighted, Inc. Motion tracking
WO2016028420A1 (en) * 2014-08-21 2016-02-25 Invensense, Inc. System and method for drop detection
CN108460864B (zh) * 2017-02-22 2022-09-02 开利公司 人流量估测系统及用于其的故障处理方法
CN108537089B (zh) 2017-03-01 2024-03-15 开利公司 人流量估测系统及人流量估测方法
US10395124B2 (en) * 2017-03-31 2019-08-27 Osram Sylvania Inc. Thermal image occupant detection
WO2018210630A1 (en) * 2017-05-15 2018-11-22 Philips Lighting Holding B.V. Workspace occupancy estimation
CN111052199A (zh) * 2017-07-18 2020-04-21 罗伯特·博世有限公司 用于预测街道区段的停放区域可用性的方法
US11860268B2 (en) * 2018-03-02 2024-01-02 Signify Holding B.V. Systems and methods using multiple modalities for occupancy sensing
CN110634209B (zh) * 2018-06-25 2023-03-14 罗伯特·博世有限公司 监管服务管理的占用感测系统
EP3832556B1 (en) * 2018-07-27 2023-12-13 Nippon Telegraph And Telephone Corporation Action optimization device, method and program
FR3087405B1 (fr) * 2018-10-19 2023-04-28 Psa Automobiles Sa Procede de determination d’une valeur courante d’un parametre d’occupation relatif a une portion d’un espace situe a proximite d’un vehicule terrestre a moteur
WO2020201415A1 (en) * 2019-04-03 2020-10-08 Signify Holding B.V. Autodetection of changes in a building based on occupancy sensor signals
US11193683B2 (en) * 2019-12-31 2021-12-07 Lennox Industries Inc. Error correction for predictive schedules for a thermostat
CN111652161A (zh) * 2020-06-08 2020-09-11 上海商汤智能科技有限公司 人群过密预测方法、装置、电子设备及存储介质
US11379765B2 (en) 2020-11-25 2022-07-05 Bank Of America Corporation Occupancy prediction using real-time information
US20240184012A1 (en) * 2021-03-31 2024-06-06 Clinton Mazur Smart occupancy sensor
CN117113211B (zh) * 2023-01-16 2024-03-12 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070027612A1 (en) * 2005-07-26 2007-02-01 Barfoot Timothy D Traffic management system for a passageway environment

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US535180A (en) * 1895-03-05 Coach pad
EP0476562A3 (en) * 1990-09-19 1993-02-10 Hitachi, Ltd. Method and apparatus for controlling moving body and facilities
US5790019A (en) * 1996-03-15 1998-08-04 Edwin; Luke Emergency alarm system
US6078253A (en) * 1997-02-04 2000-06-20 Mytech Corporation Occupancy sensor and method of operating same
US6073262A (en) * 1997-05-30 2000-06-06 United Technologies Corporation Method and apparatus for estimating an actual magnitude of a physical parameter on the basis of three or more redundant signals
US6314204B1 (en) * 1998-11-03 2001-11-06 Compaq Computer Corporation Multiple mode probability density estimation with application to multiple hypothesis tracking
US6499025B1 (en) * 1999-06-01 2002-12-24 Microsoft Corporation System and method for tracking objects by fusing results of multiple sensing modalities
US6615175B1 (en) * 1999-06-10 2003-09-02 Robert F. Gazdzinski “Smart” elevator system and method
US7068599B1 (en) * 2000-07-26 2006-06-27 At&T Corp. Wireless network having link-condition based proxies for QoS management
US7139409B2 (en) * 2000-09-06 2006-11-21 Siemens Corporate Research, Inc. Real-time crowd density estimation from video
US7233781B2 (en) * 2001-10-10 2007-06-19 Ochoa Optics Llc System and method for emergency notification content delivery
US7280696B2 (en) * 2002-05-20 2007-10-09 Simmonds Precision Products, Inc. Video detection/verification system
US6873256B2 (en) * 2002-06-21 2005-03-29 Dorothy Lemelson Intelligent building alarm
US7203338B2 (en) * 2002-12-11 2007-04-10 Nielsen Media Research, Inc. Methods and apparatus to count people appearing in an image
US20050190053A1 (en) * 2003-01-24 2005-09-01 Diegane Dione Managing an occupant of a structure during an emergency event
US6882959B2 (en) * 2003-05-02 2005-04-19 Microsoft Corporation System and process for tracking an object state using a particle filter sensor fusion technique
US7177776B2 (en) * 2003-05-27 2007-02-13 Siemens Building Technologies, Inc. System and method for developing and processing building system control solutions
US7109685B2 (en) * 2003-09-17 2006-09-19 General Motors Corporation Method for estimating states and parameters of an electrochemical cell
US7346187B2 (en) * 2003-10-10 2008-03-18 Intellivid Corporation Method of counting objects in a monitored environment and apparatus for the same
US7026947B2 (en) * 2003-12-12 2006-04-11 Honeywell International, Inc. Building emergency path finding systems and method
US20050201591A1 (en) * 2004-03-10 2005-09-15 Kiselewich Stephen J. Method and apparatus for recognizing the position of an occupant in a vehicle
US7630336B2 (en) * 2004-10-27 2009-12-08 Honeywell International Inc. Event-based formalism for data management in a wireless sensor network
CN1328910C (zh) * 2005-03-10 2007-07-25 北京中星微电子有限公司 一种应用硬件实现运动估计时的搜索窗数据读取方法
WO2006105655A1 (en) * 2005-04-06 2006-10-12 March Networks Corporation Method and system for counting moving objects in a digital video stream
US20060241856A1 (en) 2005-04-25 2006-10-26 The Boeing Company Geo-infosphere as applied to dynamic routing system
CN100377597C (zh) * 2005-06-22 2008-03-26 浙江大学 面向移动设备的视频压缩方法
US7596241B2 (en) * 2005-06-30 2009-09-29 General Electric Company System and method for automatic person counting and detection of specific events
US20070096896A1 (en) * 2005-10-28 2007-05-03 Zingelewicz Virginia A System and method for securing an infrastructure
CN101029823B (zh) * 2006-02-28 2010-09-15 东软集团股份有限公司 基于车辆状态分类的车辆跟踪方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070027612A1 (en) * 2005-07-26 2007-02-01 Barfoot Timothy D Traffic management system for a passageway environment

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Automation》.2004, *
counting people in crowds with a real-time network of simple image sensors;Danny B. Yang et al.;《Proceedings of the Ninth IEEE International Conference on Computer Vision》;20031231;全文 *
Danny B. Yang et al..counting people in crowds with a real-time network of simple image sensors.《Proceedings of the Ninth IEEE International Conference on Computer Vision》.2003,
Joshua Bobruk et al..laser motion detection and hypothesis tracking from a mobile platform.《Proc. of the 2004 Australian Conference on Robotics & Automation》.2004,
Joshua Bobruk et al..laser motion detection and hypothesis tracking from a mobile platform.《Proc. of the 2004 Australian Conference on Robotics &amp *

Also Published As

Publication number Publication date
US8775359B2 (en) 2014-07-08
CN103942624A (zh) 2014-07-23
WO2009038598A1 (en) 2009-03-26
CN103942624B (zh) 2017-06-23
CN101861607A (zh) 2010-10-13
CN101861606B (zh) 2015-01-28
CA2705614A1 (en) 2009-03-26
WO2009038558A1 (en) 2009-03-26
WO2009038597A1 (en) 2009-03-26
CN101861607B (zh) 2014-05-28
CN101861594A (zh) 2010-10-13
CN101861606A (zh) 2010-10-13
US20100250481A1 (en) 2010-09-30
CA2700342A1 (en) 2009-03-26
CA2705613A1 (en) 2009-03-26

Similar Documents

Publication Publication Date Title
CN101861594B (zh) 用于占用估计的系统和方法
CN101868811B (zh) 用于威胁传播估计的系统和方法
US9109896B2 (en) Model-based egress support system
US20110007944A1 (en) System and method for occupancy estimation
US20110213588A1 (en) System and method for occupancy estimation and monitoring
CN101018402B (zh) 位置确定技术
JP2020106153A (ja) 空調制御システム及び方法
Rajabi et al. MODES: M ulti-sensor o ccupancy d ata-driven e stimation s ystem for smart buildings
US20220022007A1 (en) Integrated intelligent building management system
Cortés et al. Hybrid adaptive predictive control for a dynamic pickup and delivery problem including traffic congestion
WO2020149044A1 (ja) パラメータ選定装置、パラメータ選定方法、およびパラメータ選定プログラム
US11968596B2 (en) Computer-implemented method for estimating movements of a crowd between areas
US9531608B1 (en) Adjusting, synchronizing and service to varying rates of arrival of customers
Yazıcı et al. A multi-criteria decision strategy to select a machine learning method for indoor positioning system
KR101576918B1 (ko) Fcm 클러스터링 알고리즘과 퍼지 결정트리를 이용한 상황인식 정보 시스템
KR102322360B1 (ko) 무인 비행체 운용 시스템 및 방법
JP7417563B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
KR102142651B1 (ko) Ptz 카메라 자동제어를 위한 강화학습 모델 생성 방법
Garcia-Valverde et al. Improving RFID's location based services by means of hidden markov models
CN115345684A (zh) 房屋租金的预估方法、装置、终端设备及可读存储介质
KR20180089095A (ko) 태그를 이용한 침입자 감지 시스템 및 그 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140625

Termination date: 20180919